多视图三维重建是一种通过不同视角的静态目标图片,估计目标的三维形状及表面纹理的三维重建方法。相比于激光扫描法、结构光法等主动式方法,它具有成本低、易于操作、应用场景广的优点。近十年来,随着运动恢复结构算法(Structure from Motion,SFM)的成功和硬件设备的发展(如高精度数字相机的普及、计算机算力的提升),多视图三维重建的研究和应用得到了极大的发展。比如,已经可以通过互联网上的图片对城市规模的目标进行稀疏重建。尽管如此,为了适应更加多样的应用场景,比如对纹理重复或纹理缺失的目标进行重建,相关算法的鲁棒性、完整性和精度仍有待提高。本文对以无序图像集作为输入的多视图三维重建的相关技术进行研究,并对部分算法进行改进,提升了三维重建的鲁棒性、完整性和精确度。主要的研究贡献如下:1.实现了 GPU加速的SIFT算法,解决了 SIFT算法中特征点提取耗时长的问题。实验表明,该GPU加速的SIFT算法在保证精度的前提下,大大地提升了特征点的检测速度。同时,与同样利用GPU实现的SiftGPU算法和CudaSift算法相比,本文的实现具有速度快或精度高的优势。2.提出并实现了一种高鲁棒和高精度的混合式SFM算法。首先,通过旋转平均获得相机的全局旋转。然后,在全局旋转的约束下,进行添加式的稀疏点云重建。该算法在保留添加式SFM的高鲁棒性的前提下,缓解了添加式SFM中存在的误差累计问题,可以获得更加精确的相机位姿。3.改进基于块匹配的多目立体视觉算法(Multi-View Stereo,MVS)。通过寻找点云平面,对生成的稠密点云进行位置优化和孔洞填充,提高了重建结果的真实性和完整性。